本研究提出了一种适应性数据中心框架，旨在解决自利代理在协作学习中的数据共享和模型更新问题。该框架通过仲裁者协调，处理实时数据的增量特性，优化代理的奖励和模型期望损失，实现高效的数据共享与模型定制。

本研究探讨了多智能体强化学习（MARL）在不相关并行机器调度中的应用，并比较了MARL与单智能体算法的表现。结果表明，多智能体PPO算法在可扩展性方面表现良好，但在协作学习上面临挑战，为调度优化提供了新视角。

FedMap是一种通过协作学习稀疏全局模型的新方法，提高了联邦学习系统的通信效率，适用于医疗和金融领域。FedMap通过迭代的振幅剪枝方法训练全局模型，减少通信开销，实现稳定的性能表现。在多样的设置、数据集、模型架构和超参数中进行了广泛评估，证明了在IID和非IID环境下的性能。相较于基线方法，FedMap能够达到更稳定的客户端模型性能，并在不降低准确性的情况下至少实现80%的剪枝。

本文提出了一种基于协作学习的多源领域自适应框架，利用多个源域的语义信息，通过像素值分布的对齐和伪标签的约束，减小源域与目标域之间的差距。实验证明，该方法在 Cityscapes 数据集上的语义分割任务中表现优异，获得了59.0％的mIoU，显著优于之前的单一和多源无监督领域自适应方法。

FedMap是一种通过协作学习稀疏全局模型的新方法，提高联邦学习系统的通信效率。它使用迭代的振幅剪枝方法训练全局模型，实现稳定的性能表现。FedMap在多样的设置、数据集、模型架构和超参数中进行了广泛评估，证明了在IID和非IID环境下的性能，并相较于基线方法，FedMap能够达到更稳定的客户端模型性能，并在不降低准确性的情况下至少实现80%的剪枝。

协作学习是一种分布式学习框架，通过共享梯度更新保护用户隐私。提出了双梯度修剪（DGP）方法，提高通信效率和保护协作学习的效用和隐私。实验证明，DGP能有效抵御梯度反演攻击并降低通信成本。

本研究介绍了一种名为FEAL的新方法，通过医疗领域多个机构之间的协作学习实现数据无需集中的目标。FEAL利用Dirichlet先验分布捕获不确定性，并使用多样性放松策略减少数据冗余。实验证明FEAL在联合主动学习框架下优于现有方法。

本文介绍了联邦学习在医学图像分析中的最新发展，包括隐私保护和协作学习问题的处理，总结了现有的联邦学习方法，并提供了基准医学图像数据集和软件平台的回顾，同时进行了实验评估。

本文介绍了联邦学习在医学图像分析中的最新发展，包括隐私保护和协作学习问题的处理，总结了现有的联邦学习方法，并提供了基准医学图像数据集和软件平台的回顾，同时进行了实验以评估联邦学习方法在医学图像分析中的应用。

QAD模型是一种通用模型内协作学习框架，可以有效地检测不同质量的Deepfake。该模型最大化不同质量级别图像的中间表示之间的依赖关系，实现了对Deepfake的同时检测。该模型还具有对抗性权重扰动模块，可以提高整体性能并抵抗图像的损坏。实验证明，该模型在七个流行的Deepfake数据集上超越了之前的SOTA基准。